Оптимизации продаж в региональные магазины на основе геоданных

Дано

Маленький производитель шампуней для собак из Санкт-Петербурга. Хотят выйти в региональные зоомагазины.

Предпосылки

• Время и ресурсы специалистов по продажам строго ограничены.
• В связи с п.1 невозможно попробовать заходить "куда попало".
• С порога со скрипом пустят в большие сети.
• Нужна одна-две точки на город со складскими остатками, чтобы удовлетворить спрос, который смогут создать будущие локальные digital РК.
• Проходимость точек продажи сильно разнится, но есть места в городах, которые являются транспортными узлами для жителей районов, пешеходные зоны между транспортными узлами и т.д., где ситуативный спрос на "заскочить псу за костью" может перейти в знание марки.
• Нет возможности отправить продажника физически кататься по стране.

Методология

1. Уровень города

• Выбираем города-региональные центры, исключая миллионники (там местные дилеры сами разберутся).
• Берём удельные веса (количество запросов, связанных с товарами для собак) в интернете как маркеры ёмкости рынка.
• Делим сумму маркерных запросов на промилле населения и выбираем города, где синтетический коэффициент выше.

Метрика: Запросов на тысячу населения

2. Уровень районов

• "Район" — в данном случае, формальное обозначение городских зон, не административное деление.
• Смотрим карту плотности населения города и выделяем смежные зоны с транспортными узлами.
• Находим на Яндекс.Картах максимально насыщенные транспортные потоки и накладываем их на предыдущие метки.

3. Уровень магазина

Находим на пересечении групп данных (включая сервисы "народных карт") магазины товаров для животных (возможно крупные грумерские салоны) и делаем ставку на них.

Гипотеза

Более проходные магазины, вероятно, богаче и крупнее, а значит, будут охотнее экспериментировать с новыми поставщиками и уникальными продуктами.

Пример расчёта

Нужны данные Росстата

Берём верхний сегмент городов — "от 250 до 450 тыс. жителей". Меньше брать не стоит, а чем больше — тем сложнее "зайти в город".

Маркерные данные по запросам (строго удельные)

Используем Wordstat (Яндекс.Вордстат).

Ещё один маркер — для объективности

Тоже из Wordstat.

Вносим всё это в таблицу

Считаем синтетическую метрику (столбец "Коэфф.")

Что в формуле

Промилле населения делённое на сумму модулей отклонений от средних значений каждого из запросов ("Товары для собак" и "Стрижка собаки") по городу

Добавим немного форматирования

Победители с двойками и тройками

Выбор города

Пожалуй возьму Калининград

Есть карта застройки плотности проживания людей на сайте городской администрации, но я купил данные у ребят, которых рекламировать не буду.

Вручную перенёс часть в Google Maps для удобства. Примерно разметил город на карте. Теперь сравниваем с картой транспорта (гугл-транспорт, будни, 18:30-19:00).

Эмпирическое предположение: транспортные узлы именно на границах зон подтверждаются транспортными данными.

Итог

Берём те магазины, что оказываются на пересечении — и пытаемся продавать именно им.

Что ещё можно сделать?

• Сравнить по картам засветки (ночные снимки: где светлее — больше жилых и многоэтажных зданий).
• Смотреть карту стоимости жилья, если город не однороден (например, в Калининграде север дороже).
• Учитывать границы жилых массивов и парков.
• Использовать карты использования интернета — Facebook разрабатывает технологии связи данных фиксированного и мобильного доступа.
• Учитывать транспортные узлы на выезде/въезде из города.

Удивительное подтверждение

Почти все Калининградские зоомагазины в исследуемой области оказались в оптимальных зонах. По всей видимости, те, что были не в оптимальных — уже закрылись.